本文作者李峰曹晏宁郑日红工作单位阿拉善电业局传统预测法 回归模型预测法回归模型预测法23又分一元回归分析和多元回归分析 , 通过给定的多组自变量和因变量资料来研究各自变量和因变量之间的关系 , 形成回归方程。回归方程因变量为电力系统的负荷, 自变量为影响系统负荷的各种因素。而回归变量的选取和变量因素的量化涉及计量经济学的范畴, 因而预测过程比较繁琐。时间序列预测法该方法是一种发展比较成熟的负荷预测法3,将负荷数据看做是单位时间年、季、周、天或小时周期性变化的时间序列 , 根据负荷历史资料建立数学模型来描述负荷变化的统计性规律。卡尔曼滤波法、 状态估计、 模型及自动回归平均模型是时间序列法中最常见的几种方法 , 其中模型是最为有效的时间序列法。该方法在负荷预测中的应用优于回归分析法, 但其建模过程比较复杂 , 受天气变化的影响较大, 在节假日的负荷预测中误差较大。现代预测法目前, 人工智能技术是解决非线性类复杂问题的较为有效地方法, 主要包括人工神经网络、专家系统与小波分析法。人工神经网络运用人工神经网络技术预测系统负荷是一种新型的研究方法, 对非结构性、非精确性的规律具有很好的自适应能力。该方法无需搭建负荷模型, 其良好的函数逼近能力可以解决天气和温度等因素与负荷的对应关系。但人工神经网络的训练时间较长, 网络结构的确定、输入变量的选取等比较困难 , 仍需不断探索和完善4专家系统专家系统由知识库、 用户界面、 推理机等多个模块组成 ,主要利用领域内专家丰富的知识和经验, 通过启发式知识的推理做出智能决策 5 。在节假日等重大社会活动和突发事件的情况下 , 专家知识可起到重要的作用。但预测知识规则的形成及知识库的建立却是一个难点问题 , 而且知识更新的比较复杂, 知识库的可维护性也较差。小波分析法小波分析法吸取了分析学中多个分支领域的精华, 已在多个科学领域当中获得应用。在负荷预测中 , 通过选取合适的母小波函对负荷进行分类, 对性质不同的负荷选取相应的预测方法, 再对分解的序列分别进行预测 ,并对预测得到的序列进行重构以得到精确的负荷预测结果。但重构可能引起误差的累加 , 这就需要提高每个小波的预测精度从而使得预测模型相对复杂6 。为了提高负荷预测的精度, 可以采用结合法, 即可以将模型法及人工智能法进行综合, 吸收各自的优点 , 以提高最终的预测精度, 结合法主要有松散性结合、并联型结合、串联型结合、网络学习型结合、结构等价性结合。电力市场环境下的负荷预测在电力市场环境下进行负荷预测通常需要考虑商品价格、国民经济发展水平、气温、电网结构和管理水平等多方面因素的影响 , 这就对负荷预测工作提出了新的要求, 即负荷预测软件要能与电力市场的各类应用软件有效地接口 , 要具备较高的预测精度及算法速度, 同时 , 负荷预测还必须考虑负荷对实时电价的响应。在电力市场条件下, 电力负荷需求技术除了前面介绍的负荷预测技术外 , 更应该强调对相关量的研究 , 将明显影响电力市场需求的因素考虑到模型中来, 使预测不再仅仅依赖于传统的历史负荷数据、电量数据 , 而是在综合研究影响电力市场需求预测量因素的基础上 , 通过对相关量的详细调查分析得出。在考虑电力市场需求预测的要求和应用情况的基础上 , 对原始数据进行改造、月度预测、专家干预等。随着电力市场化的发展, 解决负荷预测问题已成为电力科技工作者面临的重要而艰巨的任务之一。如何充分利用现有的数据资料, 建立正确的预测理论和方法 , 建立相应的预测模型, 提高预测速度和精度, 以满足电力市场对负荷预测的要求 , 已成为电力系统不容忽视的研究课题。电力市场条件下的电力需求预测是一个复杂的系统工程, 还存在 许多问题亟待解决。